Nearcore项目中Synth-bench工具的非同步问题优化方案
2025-07-01 12:59:30作者:柏廷章Berta
在区块链开发中,账户nonce(一次性数字)是一个关键的安全机制,它确保每笔交易只能被执行一次。在Nearcore项目的性能基准测试工具synth-bench中,我们发现了一个关于nonce管理的潜在问题。
问题背景
synth-bench工具使用本地存储(--user-data-dir)来维护账户nonce值。然而,在实际运行过程中,这些本地存储的nonce值可能会与网络状态不同步,导致工作负载执行失败。这种情况在以下场景中尤为常见:
- 测试过程中出现异常中断
- 多个测试实例同时操作同一组账户
- 网络状态回滚或分叉
解决方案设计
为了解决这个问题,我们提出了一个双管齐下的优化方案:
1. RPC查询优先机制
核心思想是在执行工作负载前,首先通过RPC接口查询网络上的最新nonce值,而不是盲目信任本地存储的值。具体实现包括:
- 重构现有的账户访问密钥查询代码,使其可重用
- 使用JoinSet提高查询效率
- 为不同工作负载(如benchmark-native-transfers和benchmark-mpc-sign)添加nonce查询逻辑
2. 可配置的查询策略
考虑到不同测试场景的需求,我们设计了灵活的配置选项:
- 通过CLI参数控制是否启用RPC查询
- 对于账户数量庞大的测试场景,可以选择跳过RPC查询以提升性能
- 保留本地nonce缓存机制作为后备方案
技术实现细节
在代码层面,我们主要修改了account.rs文件中的相关逻辑。关键改进包括:
- 将账户访问密钥查询逻辑模块化,便于复用
- 实现异步并发查询,使用JoinSet管理并行任务
- 添加nonce验证机制,确保交易有效性
- 设计合理的错误处理流程,应对网络查询失败的情况
性能考量
虽然RPC查询会增加一定的初始化时间开销,但这种代价在大多数情况下是可接受的:
- 对于中小规模账户集的测试,额外开销可以忽略不计
- 查询操作只在测试初始化阶段执行一次
- 避免了因nonce错误导致的测试失败和重试成本
对于超大规模账户集的性能测试,我们仍然保留了使用本地nonce的选项,确保测试灵活性。
总结
通过引入RPC优先的nonce查询机制,我们显著提高了synth-bench工具的稳定性和可靠性。这一改进使得性能测试结果更加准确,减少了因nonce不同步导致的测试失败情况。同时,灵活的设计也确保了工具在各种测试场景下的适用性。
这一优化不仅解决了眼前的问题,还为未来可能的扩展奠定了基础,比如支持更复杂的nonce管理策略或集成更智能的状态同步机制。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
416
3.2 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
681
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
230
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
663